Консалтинговые фирмы делают все возможное, чтобы помочь клиентам ориентироваться в эру искусственного интеллекта (AI). Чтобы оставаться впереди конкурентов и обеспечивать успех своих клиентов, им следует поощрять компании к созданию графа знаний и улучшению управления данными, считают специалисты.

Проблема больших данных

Большие данные (big data) имеют три характеристики:

  • разнообразие (variety);
  • объем (volume);
  • скорость (velocity).

Известные как «три V больших данных», они описывают, как данные часто существуют в различных типах, в дополнение к тому, что они очень быстро создаются и накапливаются в больших объемах.

Значительная часть деловой информации также сохраняется в виде «неструктурированных данных» — отраслевом жаргоне для текста. Однако человеческая речь часто является слишком сложной для машинного понимания. Существуют методы, которые пытаются решить эту проблему, но большинство из них не могут полностью понять смысл и правильно интерпретировать нюансы речи.

Консалтинговые фирмы пытаются помочь своим клиентам извлечь пользу из больших данных. Однако им сложно выполнять такую ​​работу из-за чрезмерной зависимости от алгоритмов машинного обучения. Во многом это связано с неправильным управлением данными своих клиентов.

Борьба за улучшение качества данных

Низкое качество данных не позволяет компаниям получать своевременную и точную информацию, необходимую для принятия решений. MIT подсказывает, что компании теряют фактически от 15% до 25% своих доходов из-за плохого качестваданных.

Итак, анализ и представление данных составляют значительную часть современных управленческих консультационных услуг. Консультанты должны выполнить достаточно трудоемкую задачу сбора и очистки данных из разрозненных частей организаций своих клиентов. Только тогда они смогут обрабатывать и интерпретировать их осмысленным образом. В результате аналитикиdata science тратят более половины своего времени на сбор и обработку данных, прежде чем их можно будет использовать.

В попытке улучшить ситуацию консалтинговые фирмы еще больше полагаются на технологию, которую они уже знают: машинное обучение. Они используют алгоритмы, которые помогают автоматизировать и ускорить некоторые процессы очистки данных. Однако это лишь краткосрочное решение. На самом деле консультанты должны помочь клиентам изменитьспособ обработки данных.

Добавление графа знаний в микс

Граф знаний — это предоставление знаний, выступающих посредником между людьми и машинами. Он изображает мир способом, очень похожим на человеческий, связывая идеи, концепции и вещи.

Имея в руках такой инструмент, компании могут решить многие проблемы с данными. Они могут использовать его для автоматической классификации, связывания, проверки и обогащениявсех своих данных. Граф знаний можно использовать для подключения различных наборов данных и файлов, чтобы сделать ихдоступными, поскольку они представляли собой только какую-то отдельную базу данных. Это позволяет компаниям получать больше пользы от данных.

Пример простейшего графа знаний.

Фирмы, занимающиеся управленческим консалтингом, могут сыграть важную роль в поддержке компаний при построении графа их знаний. Процесс требует усилий и сотрудничества от различных заинтересованных сторон в компании — от руководителей до специалистов в данной области. Может показаться, что это длительный и сложный процесс. Но существуют методологии, стандарты и инструменты, которые могут существенно его ускорить, например, автоматическое извлечение тысяч концепций из текстов ибаз данных.

Это важно и для успешной реализации стратегий AI. Граф знаний может даже устранить необходимость в больших объемах данных длятренировки алгоритмов машинного обучения (так называемая «проблема холодного запуска»). Когда данные классифицированы и связаны, алгоритмы требуют меньше данных для получения релевантных результатов, так как они могут анализировать не только сами данные, но и их контекст.

Другое преимущество AI-решений, построенных с использованием графа знаний, заключается в том, что они могут использоваться многократно. Как только знания на месте, они больше не зависят от существующих баз данных и становятся самостоятельным активом знаний. Это позволяет графу знаний охватывать многие области, в которых работает компания, для многократного использования.

Графы знаний также делают алгоритмы машинного обучения более понятными. Отображение взаимосвязей между даннымиоблегчает людям понимание того, как алгоритмы достигают конкретных результатов. А лица, принимающие решения, способные это оценить и довериться выполнению своих AI-приложений.

Как помочь клиентам начать работу с графами знаний

Лучший способ приблизиться к полноценному использованию графов знаний — начать с малого и расти. Помогите своим клиентам выбрать конкретный вариант использования, который может быстро показать ценность, которую граф знаний может принести их организации. Посмотрите на их стратегические цели, выберите вариант использования, который имеет четко определенную ценность для бизнеса и делающий процесс или услугу более эффективной и интеллектуальной. Как только вы помогли реализовать один вариант использования, переходите к другим, пока организация полностью не примет графы знаний.

Хорошие варианты использования для начала включают улучшение возможностей поиска, разработку более совершенных систем рекомендаций или автоматизацию классификации документов. Все они — зрелые плоды реализации графа знаний. Как только они будут созданы, вы можете поощрять своих клиентов создавать свои собственные приложения для искусственного интеллекта, такие как чат-боты — виртуальные помощники, которые извлекают информацию из большого количества неструктурированных текстовых документов.

Сочетание графов знаний и машинного обучения революционизирует аналитику данных. Этот подход имеет множество применений — от человеческих ресурсов до финансов. Компании, которые примут его на вооружение, будут получать больше пользы от данных и расширять свои инновационные возможности. Он станет стандартом в каждой отрасли, и фирмыуправленческого консалтинга, чтобы оставаться актуальными, должны принять его как можно быстрее.